登录社区云，与社区用户共同成长
邀请您加入社区
摘要：山东菏泽青年李明从二本院校计算机专业毕业，2018年以手工测试入行，通过自学ISTQB认证和自动化测试实现职业突破。2020年转型AI测试，主导医疗影像识别系统测试，运用对抗性测试和TFX工具解决模型偏差问题。2023年加入跨国企业，负责自动驾驶系统测试，创新采用CARLA仿真平台和强化学习方法。文章展现了从基础测试到AI前沿的跃迁历程，强调测试从业者需掌握Python、统计学及AI测试工具
摘要 测试工程师面临管理岗晋升选择时需审慎权衡。当前测试领域正处于技术突破黄金期，AI赋能的自主测试、混沌工程等创新技术正重塑行业。相比管理岗的协调性工作，技术专家路线在技术深度、问题解决时效和价值产出方面具有显著优势。实证研究表明，8-15年职业周期的技术专家存在价值峰值。测试工程师可考虑第三条道路——技术领导力，通过构建测试资产复用平台、开发智能测试系统等方式发挥影响力。决策时应评估自身技术敏
在完成了SDK的底层架构设计与抽象基类的定义后，接下来的核心任务是实现具体的模型接入逻辑。本文将以DeepSeek模型为例，详细阐述如何通过C++代码构建HTTP请求、处理API鉴权、解析JSON响应，并通过严格的单元测试验证模块功能的正确性。如果文章中的代码存在问题，可以直接去仓库拉取最新代码在include目录下创建。该文件声明了DeepSeek提供者类，重写了基类中的纯虚函数。可以看到，除了
总之，LLM和动态符号执行技术为软件测试带来了新的机遇和挑战。通过不断的研究和实践，我们可以更好地利用这些技术来提高软件测试的效率和准确性，为软件开发过程中的质量保障提供有力支持。
本文深入探讨了R语言在数学函数和方程求解方面的强大功能。首先介绍了如何使用testthat包进行单元测试验证数学公式，接着展示了如何利用R语言的复数计算能力以及求解一元线性方程、二次方程和三次方程的方法。通过具体的代码示例和图形展示，本文揭示了R语言在数学计算和数据分析中的应用。
清华大学智能产业研究院（AIR）于2024年12月24日发布了一篇论文，介绍推出AutoDroid-V2 AI模型。该模型在移动设备上利用小型语言模型（SLM），显著提升了自然语言控制的自动化程度。AutoDroid-V2采用基于脚本的方法，通过设备端的小型语言模型高效执行用户指令，相比依赖云端大型语言模型（LLM）的传统方法，在效率、隐私和安全性方面均有显著优势。该系统生成多步骤脚本一次性执行多
创建Post请求：${响应结果变量} post request 请求会话名 /路径 请求体data= 请求头headerseg：将请求URL、传参、请求头等数据进行参数化，以此来提升自动化脚本的健壮性与可读性。${params} create dictionary 参数1=值1 参数2=值2。时，经常要使用GET与POST请求，那么如何使用RF发送对应的请求呢？#请求体，以字典形式传入。
东莞证券基于开源的RF框架从0到1建立起通用自动化测试体系，并在手机APP、核心柜台、网上交易、接口、商城、网厅等项目中落地，同时结合Jenkins实现自动化测试持续集成和分布式构建，有效支撑了敏捷和快速迭代过程。限于篇幅，本文并未就APP、Web、桌面应用、接口等自动化测试开发方法展开详细论述，而是提供一种建立通用自动化测试持续集成管理平台的思路，希望对其他券商有一定的启发和借鉴意义
本文介绍了如何利用大型语言模型(LLM)自动化构建知识图谱的技术方案。通过LLM图转换器技术，可以从非结构化文本中自动提取实体和关系，形成结构化知识图谱。文章详细讲解了核心组件(实体提取、关系抽取、图谱构建)、实现方法(Python代码示例)以及高级优化技术(实体消歧、关系验证等)。这种结合LLM的知识图谱构建方法相比传统人工方式更高效，可应用于医疗、学术、企业等多个领域，为智能应用提供强大的知识
如代码里展示的，我这里原始的入口类是com.tachibana.downloader.ui.main.MainActivity，我们继承这个Activity，并实现了一个generateCoverageReport方法，用来记录JaCoCo的数据，在这个Activity退出的时候，调用方法记录，实现覆盖率数据获取的功能。解决方案，继承一切真实入口类可以被继承的属性，比如theme什么的，这样在Fa
距离计算的话就是在图片上下功夫，可以增加图片库，使缺口出现的位置更加随机，缺口在图片上不出现明显边界，缺口形状也不必是矩形，可以是不规则图形，等等。首先，该网站的验证码是只返回一张图的情况，并且图片中缺口的白边非常明显，因此可以采用边界检测的方法。图像处理的话相对来说要简单一些，根据网站返回的图片又可以分为两类：一类是返回两张图，一张是完整的图片，另一张是有缺口的图片，这种情况只要比较两幅图的差值
LightRAG是一款创新的知识图谱增强检索框架，通过结合向量检索与结构化知识图谱，显著提升检索准确性和可解释性。其核心优势包括轻量高效、多模态支持和透明解释能力。安装简单，支持Python环境，提供快速构建知识图谱和检索的API。高级功能支持自定义知识提取和性能优化，适用于专业领域知识库构建。实践案例展示了从多源数据构建知识图谱和评估检索质量的方法。最佳实践建议注重数据预处理和关系验证，适用于需
DeepSeek是由深度求索公司开发的AI平台，提供多款大语言模型服务。核心模型包括DeepSeekV3（混合专家模型，671B参数）和DeepSeekR1（推理模型），性能媲美GPT-4o等顶尖模型。支持64K上下文和8K输出长度，提供付费API服务（输入/输出价格0.5-16元/百万tokens），也可免费部署开源版本。调用方式多样：官网、第三方服务、API接口（兼容OpenAI标准）、命令行
近两年AI快速发展，给各行各业带来了机遇和挑战，软件测试行业也面临着同样的问题，如何快速拥抱AI，不被AI所淘汰，是所有测试工程师要面对的问题。所以我们需要了解和学习AI在工作中应用，提高工作效率。
例如，在 JavaScript 中，ws 等库提供了轻量级的解决方案来模拟服务器，而Python的 websockets 库非常适合构建和测试异步 WebSocket 客户端和服务器。专用 WebSocket 测试工具，如 Postman 或 WebSocket King，通过提供界面通过 WebSocket 连接发送和接收消息，简化了手动测试。否则，显示错误消息。它与服务器建立连接，发送包含特定
做完这次实验，我发现loadrunner比uft性能更加强大，操作更加简单，但是唯一不足的是与系统的兼容性（因为它是一款商业软件）。通过这次实验掌握了网址的录制测试、验证回放、场景设置和分析，进行负载测试然后查看相应的结果分析，把课堂上的理论简单地应用到了实践。3、对具体网站，能分别使用相应的工具完成一个简单的脚本录制，运行脚本，查看运行结果设计思路及结果。2、能够完成一个简单的脚本录制，
这个并不是我们的代码出现了问题,而是boot 单元测试本身的问题。1.去掉注解 @SpringBootTest。
开源Coze重构测试工程：AI驱动效率革命 【核心价值】开源Coze通过私有化部署解决企业数据安全顾虑，显著降低测试成本（2核4G服务器即可运行）。其零代码工厂支持传统脚本封装和可视化流水线编排，实测某银行性能测试效率提升5倍。 【五大创新场景】 智能用例生成：RAG+多模型协作使电商登录用例设计时间从2小时缩短至10分钟 全天候数字员工：实现故障自愈闭环，某教育平台崩溃18分钟自动修复 缺陷根因
另外，各大公司也开发出来了各种智能语音机器人，比如小米公司的“小爱”，百度公司的“小度”，三星公司的“bixby”，苹果的“siri”等等。第三方应用兼容性需要保证；所以测试就主要优先去覆盖这些用户场景，其他的场景用例优先级可以逐步降低，调整测试权重，保证用户主流场景的稳定性和准确性。语音唤醒，为了确保每个人的声音、每个人在不同场景下的声音都能成功语音唤醒，测试一定要有各种不同的声纹来进行测试。这
软件接口，是指软件不同模块之间交互的接口，我们通常所说的API（Application Programming Interface 应用程序接口），即是软件系统不同模块之间衔接的约定。接口测试即是对软件各个模块的接口进行的测试。接口测试在测试工程师的工作中比重越来越大，因此也是专业TE的必备技能。本文简单介绍了接口测试的背景以及优点，对于设计和组织部分也是简略一提，更是没有设计工具、框架的使用。其
在大模型应用开发中，如何科学、自动化地评测 LLM（大语言模型）的输出质量，一直是让开发者头疼的问题。人工评测虽然靠谱，但效率太低，根本无法支撑快速迭代。
摘要：本文介绍如何利用n8n和GitHub Webhook搭建自动化测试工作流，实现"代码提交即触发测试"的智能流水线。通过配置GitHub访问令牌、n8n凭证和Webhook触发器，构建包含事件解析、测试执行、结果断言和通知反馈的完整流程。该系统能根据提交内容智能决定测试范围，自动执行API/UI测试，并将结果反馈至团队协作工具，实现持续测试闭环，显著提升交付质量和效率。
coze图片存放
设项目初始覆盖率$C_0$，通过 DeepSeek 生成$N$个新增测试用例后： $$提升率 = \frac{C_{\text{new}} - C_0}{C_0} \times 100%$$ 其中$C_{\text{new}}$由新增用例覆盖的代码路径决定： $$C_{\text{new}} = C_0 + \sum_{i=1}^{N} \frac{P_i}{P_{\text{total}}}$$
Appcrawler是一款灵活高效的App自动化遍历工具，支持Android和iOS平台，能在真机和模拟器上运行。其核心特点是通过配置文件自定义遍历规则，包括测试用例设置、控件遍历范围、触发动作等。工具采用类似Appium的capability配置，支持xpath定位、正则匹配、断言验证等功能，并提供了黑名单/白名单、优先级控制、相似控件点击限制等高级配置选项。配置文件支持完整测试用例模型（giv
PICT可以有效地按照两两测试的原理，进行测试用例设计·在使用PICT时，需要输入与测试用例相关的所有参数，以达到快速生成用例的效果，可以协助我们完成第二大点中的工作，极大提升效率。但工具生成的用例并不是完全可靠的，需要人工review一遍是否存在无效用例。
接口测试是保障系统稳定性的关键环节，通过需求分析→用例设计→脚本编写→执行测试→缺陷管理→持续集成的完整流程，可以有效提升测试效率和质量。测试过程中需重点关注数据准备、依赖处理、性能测试等细节，并结合实际项目选择合适的工具和方法。
PlaywrightMCP是微软推出的开源项目，通过将Playwright框架与MCP协议结合，为AI提供结构化网页交互能力。它摒弃了传统视觉识别方式，转而采用无障碍快照技术，提供元素精准定位和JSON格式数据结构，使传输效率提升80%，解析速度达毫秒级。该工具支持基础交互、多标签页管理、网络监控等功能，适用于自动化测试、数据抓取等场景，显著提升效率并降低维护成本。相比传统方法，Playwrigh
之前的测试中单独抽离出了一个注册登录的场景，而实际的电商场景中，绝大多数都是已经登录并保持登录状态的，用户的登录信息可能被保存在浏览器的 cookie 中或在 App 的 localstorage 中，更多的是拿到现有的 cookie 去做验证;
单元测试
——单元测试
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
火山引擎 ADG 社区
网易易盾开发者社区
